Ennakoivan mallin rakentaminen ja kliininen validointi leikkauksenjälkeiselle adjuvanttiselle hoidolle maksasyöpään perustuen kokonaisleikkeen digitaalisiin patologisiin kuvauksiin ja syväoppimiseen

# I. Tutkimuksen tausta ja tavoitteet Hepato-sellulaarinen karsinooma (HCC) on yleinen pahanlaatuinen kasvain maailmanlaajuisesti, sijoittuen 6. sijalle esiintyvyydeltä ja 3. sijalle kuolleisuudelta maailmanlaajuisesti. Se aiheuttaa noin 480 000 kuolemaa vuosittain, ja Kiina vastaa yli 45 % maailmanlaajuisista tapauksista, mikä edustaa erittäin raskasta tautitaakkaa 1. Radikaali kirurginen resektio on ensisijainen keino varhaisen vaiheen maksasyöpäpotilaiden saavuttaa pitkäaikainen selviytyminen. Kuitenkin 5 vuoden leikkausjälkeinen uusiutumisaste on jopa 50 %–70 %, mikä vakavasti rajoittaa potilaan ennustetta 2. Leikkausjälkeinen adjuvanttihoidosta on tullut keskeinen strategia uusiutumisen viivästyttämiseksi ja selviytymisen parantamiseksi. Tällaisissa hoitomuodoissa transarteriaalinen kemioembolisaatio (TACE) ja tyrosiinikinaasin estäjät (TKI:t, kuten sorafenibi ja lenvatinibi) ovat laajalti käytettyjä potilaiden hoidossa, joilla on suuri uusiutumisriski 1,3.

TACE aiheuttaa iskeemisen nekroosin paikallisesti embolisoimalla kasvainta ruokkivat verisuonet yhdistettynä kemoterapialääkkeen perfuusioon, ja se soveltuu keskivaiheen maksasyöpään 4,5. Monikohde-TKI-lääkkeet puolestaan voivat systemaattisesti estää signaalireittejä, kuten verenkiertoon päätyvän endoteelisen kasvutekijän reseptoria (VEGFR) ja verihiutaleista peräisin olevan kasvutekijän reseptoria (PDGFR), vaikuttaen antiangiogeenisesti ja antikasvainten lisääntymistä vastaan, ja niistä on tullut edistyneen maksasyövän standardihoidon muoto 3. Kuitenkin molemmilla hoitomuodoilla on merkittäviä rajoituksia: TACE:n objektiivinen vasteprosentti on yleensä vain 50 %–60 %, ja jotkut potilaat eivät voi hyötyä siitä ja saattavat jopa kokea maksatoiminnan vaurioitumista 6. Vaikka TKI:t voivat pidentää korkean riskin leikkausjälkeisten potilaiden uusiutumattoman selviytymisen (RFS) 3–5 kuukaudella, hoitovasteprosentti valitsemattomissa väestöissä on alle 20 %, ja 3.–4. asteen haittareaktioiden (kuten hypertensio, käsi-jalka-iho-reaktio ja proteiininuria) esiintyvyys on yli 50 %, mikä johtaa hoidon keskeyttämiseen 20 %:ssa potilaista myrkyllisten sivuvaikutusten sietämättömyyden vuoksi 3,7,8. Tällä hetkellä kliinikassa puuttuu tehokas ja luotettava biomarkkerijärjestelmä mahdollisten hyötyväestöjen tunnistamiseksi. Tämän seurauksena hoitopäätökset perustuvat edelleen kliiniseen kokemukseen (esim. perinteisiin patologisiin piirteisiin, kuten kasvaimen kokoon ja verenkiertoon tunkeutumiseen), mikä johtaa rajoittuneeseen yksilöllistämiseen, lääketieteellisten resurssien hukkaan ja potilaiden ylimääräiseen hoitotaakkaan.

Viimeaikaiset tutkimukset ovat osoittaneet, että kasvaimen immunologinen mikroympäristö (TIME) on keskeinen biologinen perusta, joka vaikuttaa TACE:n ja TKI:den hoitoherkkyyteen 3. TIME:n koostumuspiirteet, mukaan lukien immuunisolujen tunkeutuminen (kuten CD8⁺ T-solut, Treg-solut, CTL-solut ja M2-tyypin kasvainiin liittyvät makrofagit), immuunipesäkkeen molekyylien (kuten ohjelmoitu solukuolemaligandi 1, PD-L1) ilmentyminen ja tilallinen rakenne, liittyvät läheisesti hoitovasteeseen 9–12. Esimerkiksi immuuni-inflammatorinen TIME (korkea CD8⁺ T-solutiheys ja tertiääristen lymfoidirakenteiden muodostuminen) voi olla positiivisesti korreloitunut kasvainnekroosin kanssa TACE:n ja TKI-hoidon jälkeen; sen sijaan immuunivapaa tai autiomaa-fenotyyppi viittaa usein hoidonkestoisuuteen 13–15. Kuitenkin nykyinen TIME-arviointi perustuu enimmäkseen korkean resoluution tekniikoihin, kuten monipuoliseen immunohistokemiaan (mIHC) ja tilalliseen transkriptomiikkaan. Vaikka nämä menetelmät voivat kuvata mikroympäristön yksityiskohtaisesti, niillä on sovellushäiriöitä, kuten korkeat kustannukset, monimutkainen käyttö, korkeat vaatimukset näytteen laadulle ja alhainen standardointi, mikä rajoittaa niiden kliinistä levittämistä.

Teknäköälyn, erityisesti syväoppimistekniikan, läpimurrot ovat tarjonneet uuden lähestymistavan perinteisistä hematoksyliini- ja eosiini (HE)-värjätyistä kokonaisliukukuvista (WSI) louhittavan syvällisen patologisen tiedon kaivamiseen. Leikkausjälkeisen patologisen diagnoosin rutiinitietona (jokaisella HCC-potilaalla on HE-värjätty WSI leikkauksen jälkeen ilman lisänäytteenottoa tai testausta) WSI sisältää solumorfologian ja kudosrakenteen yksityiskohdat, jotka on todettu kartoittavan TIME:n keskeisiä piirteitä. Esimerkiksi konvoluutioneuroverkkojen (CNN) ja Vision Transformer (ViT) -arkkitehtuurien kautta CD8⁺ T-solujen tunkeutumistiheyteen ja PD-L1:n ilmentymiseen liittyvät morfologiset kaavat voidaan tunnistaa automaattisesti, mahdollistaen "HE-morfologia → immunologinen tila" -ristimoodisen ennustamisen 16,17. Uusimmat tutkimukset ovat vahvistaneet, että HE-WSI:hin perustuvat syväoppimismallit voivat ennustaa paksu- ja peräsuolen syövän mikrosatelliittivakautta (MSI) korkealla tarkkuudella (AUC 0,88) 18, PD-L1:n ilmentymistä (AUC 0,80) ja kasvainmutaatioiden kuormitusta (TMB, AUC 0,91) ei-pienissä keuhkosyöpäsoluissa 19,20. Maksasyövän alalla tutkimukset ovat myös käyttäneet WSI-syväoppimista ennustamaan leikkausjälkeistä uusiutumisriskiä (AUC 0,82) ja immuunisolujen tunkeutumista maksasyöpäkudoksiin (AUC 0,78) 21,22. Kuitenkaan yksikään tutkimus ei ole keskittynyt kliiniseen kipupisteeseen "leikkausjälkeisen adjuvanttihoidon (TACE/TKI) tehon ennustamisesta", ja monikeskuksellisesta, suurenäytteisestä kliinisestä validointi puuttuu.

Siksi HE-värjättyyn WSI:hin ja syväoppimisalgoritmeihin perustuvan HCC:n leikkausjälkeisen adjuvanttihoidon ennustemallin rakentaminen ei vain auta analysoimaan TIME:n mekanistista roolia hoitovasteessa, vaan myös murtaa olemassa olevien havaintoteknologioiden, kuten korkeiden kustannusten, pitkän syklin ja erityisalustoista riippuvuuden, rajoitukset, edistäen maksasyövän adjuvanttihoidon päätösten kehitystä kohti tarkkuutta ja saavutettavuutta. Tämä hanke aikoo integroida monikeskuksellista kliinis-patologista tietoa tekniäköälyalgoritmeihin luodakseen digitaalisen patologisen mallin, joka soveltuu TACE:n ja TKI:n tehon ennustamiseen, ja suorittaa tiukan kliinisen validoinnin, tarkoituksenaan tarjota tieteellinen ja luotettava päätöksentekotyökalu HCC:n leikkausjälkeisen hoidon valinnalle.

# II. Erityiset menettelyt ja työnkulku Tämä tutkimus on kattava tutkimus, joka yhdistää diagnostisia kokeita ja interventiotutkimuksia, jaettu kahteen pääosaan ja useisiin vaiheisiin. Sen tarkoituksena on kehittää ja validoida tekniäköälyyn perustuva ennustejärjestelmä Hepato-sellulaarisen karsinooman (HCC) leikkausjälkeiselle adjuvanttihoidolle. Kokonaistutkimus noudattaa standardoitua prosessia tekniäköälyyn perustuvan lääketieteellisen laitesovelluksen (SaMD) kehittämiseksi, mukaan lukien retrospektiivinen tietojen kerääminen, mallin kehittäminen ja kouluttaminen, retrospektiivinen validointi, prospektiivinen havainnointivalidointi ja lopullinen prospektiivinen interventiotutkimus.

• Osa 1: Kasvaimen mikroympäristön tunnistusmallin rakentaminen ja validointi

  • Kehitys- ja koulutusvaihe Julkisia tietokantoja (esim. The Cancer Genome Atlas, TCGA) ja tutkimuskeskuksen retrospektiivistä tietojoukkoa (n=1500, joista 400 tapausta on jo kerätty) käytetään koulutusjoukkona. Tämän vaiheen keskeinen tehtävä on kehittää syväoppimismalli (esim. Vision Transformer- tai ResNet-arkkitehtuuriin perustuva) automaattisesti tunnistamaan, segmentoimaan ja kvantifioimaan keskeisiä kasvaimen mikroympäristön piirteitä hematoksyliini- ja eosiini (HE)-värjätyistä kokonaisliukukuvista (WSI). Nämä piirteet sisältävät muun muassa immuunisolujen tunkeutumisaste, stroman osuus, verenkiertoon tunkeutuminen ja nekroottiset alueet. Kaikki kuvat merkitään riippumattomasti sokeasti vähintään kahden vanhemman patologin toimesta. Eriävät mielipiteet ratkaistaan konsensuksella tai kolmannen vanhemman patologin välityksellä muodostaen kultastandardin.
  • Ulkoinen validointivaihe 8–10 kotimaisen yhteistyölääketieteellisen keskuksen retrospektiivistä WSI-tietojoukkoa käytetään mallin yleistyskyvyn alustavaan validointiin. Tämän vaiheen tavoitteena on arvioida mallin robustisuutta erilaisilla skannauslaitteilla, erilaisilla liukukuvien valmistus- ja värjäysprosesseilla sekä patologien erilaisilla tulkintatavoilla.
• Osa 2: Hoitovasteennustemallin rakentaminen ja monitasoinen kliininen validointi

Tämä osa on tutkimuksen ydin. Sen tavoitteena on rakentaa luokittelumalli, joka voi ennustaa potilaiden vastetta erilaisiin leikkausjälkeisiin adjuvanttihoitomuotoihin (pelkkä leikkaus, leikkaus + TACE, leikkaus + TACE + TKI) osan 1 mallin tuotoksen (eli kvantifioitujen kasvaimen mikroympäristön piirteiden) perusteella yhdistettynä tarpeellisiin kliinisiin muuttujiin (kuten TNM-vaihe, maksatoiminnan Child-Pugh-luokitus ja AFP-taso). Tämä osa noudattaa tiukkaa hierarkkista validointistrategiaa:

• Mallin koulutusvaihe Tutkimuskeskuksen retrospektiivistä tietoa (n=1500) käytetään. Mukana olevien potilaiden on täytettävä seuraavat kriteerit: ① patologisesti vahvistettu HCC; ② saanut radikaalin resektion; ③ täydelliset leikkausjälkeiset adjuvanttihoidon ja seurantatiedot. Hoitovasteen määritelmä: ensisijainen päätepiste on uusiutumaton selviytyminen (RFS), ja toissijaiset päätepisteet sisältävät kokonaisselviytymisen (OS) ja objektiivisen vasteprosentin (ORR). Koulutus suoritetaan moniluokkaisilla koneoppimisalgoritmeilla (kuten gradienttivahvistuspuilla ja syväneuroverkoilla) tuottaen hoidon muodon luokan, josta potilas todennäköisimmin hyötyy.
• Sisäinen validointivaihe Riippumaton validointijoukko (n≈500, ei päällekkäinen koulutusjoukon kanssa) varataan keskuksen tiedoista satunnaisella jaolla. Sitä käytetään mallin erottelusuorituskyvyn alustavaan arviointiin ja hyperparametrien säätöön ylisovittumisen estämiseksi.
• Ulkoinen validointivaihe 1 (Retrospektiivinen validointi ja mallin kalibrointi) Kerätään retrospektiivistä tietoa useista keskuksista ympäri maata (8–10 keskusta, n=3000). Tämän vaiheen päätarkoitukset ovat: ① validoida mallin suorituskyky laajemmassa ja heterogeenisemmassa ulkoisessa tietojoukossa; ② kalibroida tai suorittaa rajoitettua iteratiivista optimointia mallille validointitulosten perusteella muodostaen lopullisen vakiintuneen ennustemallin.

Ulkoinen validointivaihe 2 (Laajamittainen retrospektiivinen validointi) Vakiintunutta mallia käytetään validointiin uudessa, erittäin laajamittaisessa (n=10 000) retrospektiivisessa tietojoukossa (3–5 keskuksesta). Tämä vahvistaa edelleen todistusaineiston tasoa ja tarjoaa vankan perustan prospektiivisille tutkimuksille.

Ulkoinen validointivaihe 3 (Prospektiivinen havainnointitutkimus) Yhteensä 1000 kelvollista leikkausjälkeistä HCC-potilasta rekrytoidaan prospektiivisesti ja peräkkäin 10–15 keskuksessa. Heidän WSI-kuvansa kerätään ja syötetään malliin saadakseen ennustetun hoitomuodon. Kuitenkaan tämä tutkimusvaihe ei puutu todellisiin kliinisiin päätöksiin. Tutkijat tallentavat mallin ennustustulokset ja todelliset kliiniset päätökset sekä seuraavat potilaiden todellista ennustetta seurannan kautta arvioidakseen mallin ennustusten ja todellisten tulosten yhdenmukaisuutta sekä mallin suorituskyvyn heikkenemistä todellisissa olosuhteissa.

### Ulkoinen validointivaihe 4 (Prospektiivinen interventiotutkimus) Tämä on tutkimuksen lopullinen validointivaihe. Suoritetaan prospektiivinen, satunnaistettu kontrolloitu tai pragmaattinen kliininen koe yhteistyössä 3–5 keskuksen kanssa, noin 600 potilaan osallistuessa. Potilaat jaetaan satunnaisesti kahteen ryhmään: ① Malliavusteinen päätöksentekoryhmä: kliinikot kehittävät potilaiden hoitosuunnitelmat mallin ennustaman optimaalisen hoitomuodon perusteella; ② Standardihoidon ryhmä: hoitosuunnitelmat kehitetään kokonaan kliinikoiden toimesta olemassa olevien ohjeiden ja kliinisen kokemuksen perusteella. Ensisijainen vertailu on kahden ryhmän RFS, jotta voidaan tarjota korkein tason näyttöön perustuva lääketieto osoittamaan malliavusteisen päätöksenteon kliininen hyödyllisyys ja sen arvo ennusteen parantamisessa.